[发明专利]MCSLI图像中条纹损伤的分割方法

说明书

本发明公开了一种MCSLI图像中条纹损伤的分割方法，先构建基于U‑Net网络的融合型图像分割网络模型；再选取多个MCSLI图像构成训练数据集，并将训练数据集输入所述融合型图像分割网络模型中进行训练，并根据训练结果优化所述融合型图像分割网络模型；将待处理的MCSLI图像输入优化后的融合型图像分割网络模型中进行条纹损伤的分割。本发明能够精确高效地实现MCSLI图像的条纹损伤的自动分割。

技术领域

本发明涉及医学影像处理技术领域，具体涉及一种MCSLI图像中条纹损伤的分割方法。

背景技术

医学影像，是指为了医疗或医学研究目的，对人体或人体某部分以非侵入方式取得内部组织器官影像的技术与处理过程，根据其实现步骤不同，医学影像包括医学成像技术和医学处理技术，借助医学影像技术，医疗人员可以更清晰地了解人体特定的组织器官状况进而给出更为精准和合理的诊疗方案。而医学图像分割是现代医学影像处理中的关键技术，它是正常组织和病变组织的三维重建、定量分析等后续操作的基础。

医学图像分割分为传统图像分割方法和深度学习图像分割方法，其中，传统图像分割方法包括基于阈值分割方法，基于区域的分割方法，基于边缘的分割方法以及基于特定工具的分割方法(如MATLAB等工具)等，相较于传统图像分割方法，深度学习图像分割方法能够在多个公共数据集的多种场景图像中精确地分割出多种分割目标，其具有高准确度和高泛化性的优点，因此，鉴于深度学习图像分割方法的上述优点，自2015年FCN网络提出之后，深度学习图像分割方法被得以广泛应用。SegNet和U-Net等编解码分割网络被广泛应用在医学图像分割中。

病理性近视是导致失明的一个主要原因。条纹损伤(如附图1中的箭头所指)是评估病理性近视的一个重要临床表现。现有的眼部成像主要采用ICGA(Indocyanine GreenAngiography，吲哚菁绿血管造影术)和MCSLI(Multi-Color Scanning Laser Imaging，炫彩多色扫描激光成像)成像方式，其中，ICGA图像是是临床诊断条纹损伤的“金标准”，但是该图像的成像方式属于有创检测，图像在成像时需要注射造影剂—吲哚菁绿(ICG)，且造影剂可能引起不良反应，例如过敏，头晕，甚至休克。而MCSLI成像则属于无创成像，它是使用三种不同波长的激光(488nm，515nm，820nm)同时扫描眼底，再通过叠加技术,来清晰显示多层次的视网膜结构，因此MCSLI图像可以比其他无创成像方式(普通眼底彩照和无赤光眼底彩照等)和其他一些有创成像(ICGA)显影更丰富的条纹损伤改变。例如，图1中(a)、(c)为条纹损伤的ICGA图像，图1中(b)、(d)则分别是(a)、(c)对应的MCSL图像。

利用现有的深度学习图像分割方法来对MCSLI图像进行条纹损伤的自动分割时，可采用以下两种方式，一种是采用条件生成式对抗网络(conditionalGenerativeAdversarial Network，CGAN)来进行条纹损伤自动分割，但是该方式的CGAN模型复杂度较高，超参数过多且CGAN训练过程不稳定；另一种是采用一种尺度感知金字塔融合(SAPF)模块，用以动态融合高级特征中的多尺度上下文信息，从而使用该SAPF模块实现图像中条纹损伤的自动分割，但SAPF模块仅融合了多尺度信息，而不能充分获取全局上下文信息，条纹损伤分割的效果不佳。

综上所述，现有的深度学习图像分割方法无法精确高效地实现MCSLI图像的条纹损伤的自动分割。

发明内容

本发明要解决的技术问题是提供一种MCSLI图像中条纹损伤的分割方法，能够精确高效地实现MCSLI图像的条纹损伤的自动分割。

为了解决上述技术问题，本发明提供的技术方案如下：

一种MCSLI图像中条纹损伤的分割方法，包括以下步骤：

S1)构建基于U-Net网络的融合型图像分割网络模型；